在本课中，我们将仔细研究为代表汽车周围环境而创建的地图。我将概述传统上用于自动驾驶的三种不同的地图类型，在上一个视频中简要介绍了这些类型。那我就给你一个更详细的关于每张地图的解释，以便你在整个专业课程学习过程中更好地了解它们的创建和使用方式。

我们将讨论的第一张地图是定位图。此地图是使用一对一的激光雷达点或像机图像特征创建，当汽车在环境中移动。

然后，该地图通过结合 GPS、IMU 和观察测距使用，通过定位模块。以便随时准确地估计车辆的精确位置。

第二张地图是土地面积图。占地栅格图还使用一组连续的LIDAR点来构建环境地图，该地图指示所有活动或静止文物的位置。该地图用于规划安全无踪路径，为一辆汽车。

我们将讨论的第三个也是最后一张地图在视频中是详细路线图。它包含详细的位置，所有的生态要素、发展水平以及标志性的变化。此地图用于规划从当前位置到最终目标的路径。

让我们仔细看看在定位图。

正如我之前的，定位图使用记录的LIDAR点或图像，这些点或图像被组合以形成环境的点云表示。当接收到新的LIDAR相机数据时，将其与定位图进行比较，并通过将新数据来创建位置的测量，同与现有地图。

然后测量与其他传感器结合以估计自我运动并最终用于控制动物。

在这里，我们从我们的驾驶车中记录了一些激光雷达数据。基于该视频中激光雷达点的变化，车辆的移动是明确的。我会尽量证明你每天讲得更合理的节奏去这个视频当汽车驶出车辆并驶向身边的街道时，这些通过其环境运动的详细说明表示用于模块定位非常手段。

定位图可能非常大，并且存在许多方法来压缩其内容并仅保留定位所需的那些特征。这张地图的构建将更加严格地解释在这个专业的下一个课程中。我们在详细讨论定位。

地图土地栅格是地面物体的2D或3D离散化围绕自我车辆的环境中。创建这个地图是为了识别所有交通工具的物体，使用点云作为输入。

被分类为土地的物体包括树木、建筑物、路缘石和所有其他不可移动的物体。例如，在此瞬间，如果所有被占用的座位都被淹没，土地栅格图差不多就是这样的。

因为土地仅表示来自环境的颜料，因此必须首先移除所有动态物体。这是通过找到的所有激光雷达点，在目标框内由寻找栈检测到的动态物体。

接下来，静电声，不会发生干扰载体的物体也将移除。如和沿途的树枝。通过这些步骤，仅保留涂料的相关雷达点，来自环境的。

比方法不是很完美，因此因此不可能演讲地关键点是重要的。

因此，占地是通过意向表示环境，通过遍历索引单元随时间占用。

然后依赖于地图来创建无动物路径。地图的创建和其应用到小块规划问题将更详细地介绍，在本专业课程的第四门课程中。

让我们看一下占地随时间更新的示例。

照，我们占地面积可视化为浅景区域，在自动驾驶汽车下。使用黑色图片更新环境中纸张的位置。

当班车在环境中移动时，环境中的所有静止物体（如杆，灯柱）和停放的汽车）被显示在占用的单元单元中。

详细的路线图是完整的道路网路地图，该地图可以送给汽车。

该地图包含有关路径的信息，以及可能影响道路的任何交通管制因素。

细节路线图准备一条安全和有效地路径，给一辆汽车。

细节路线图可以通过以下三种方法创建。完全在线，完全离线，或离线在线更新。

在线创作严重依赖真实真实感在看栈中，以准确的信号和所有相关的物体都以正确的方式创建地图。

这包括当前驾驶环境中的所有结果，任何元件，例如交通灯或交通标志，纳尔的任何法律财产，例如右转标记或人行横道。

以很少的方式来创建地图，因为实时创建这样的地图是非常复杂的。

完全离线的地图通常是通过收集数据来完成的，通常通过多次收集。具有传感器的专属车辆特定的定位以离线地图。征集完成，信息将进行标记，通过使用自动标记的混合方法，通过颜料表面吸附和人工和变形。

美国地图创建方法在生成非常详细和准确的地图的同时，无法对变化的环境做出反应或适应。创建细节路线图的第三种方法是离线他们，然后使用新的相关信息在线更新它们。

美国地图创建方法采用了这两种方法，创建了一个可以在驾驶时更新的高度准确的路线图。

在运动规划的课程四中，我们将选择这种方法，用于存储细节路线出现的所有信息，细节长度周期模型。

我们来看一个细节路线图的例子。

如您所见，细节显示路线图的精彩绝伦。除了美好外，每条显示条的中心也以红色。此信息非常重要，对于路径追踪，因为它提供了沿途的默认路径。

正如您在本视频中看到的那样，车辆在一个完美的地面定位的中心空间。

到此，完成了我们对测绘的讨论。您了解了三种常用的自动驾驶地图：定位图、土地面积图、细节路线图。您进一步研究这些地图类型类型，当我们深入研究定位，想要避免和运动规划时，在本专业的其他课程中。恭喜，您完成了的第二个模块，在陪车课程。在本单元中，您学习了如何选择传感和计算单元，在审车中，根据驾驶要求设计特定的传感器。

如何划分自动驾驶的软件系统。

以及代表环境的三种主要类型的地图是什么。

在下一个模块中，我们将仔细研究车辆建模，用于车辆的合理控制。下一节课见。

第 4 课补充阅读：环境表征

补充阅读：环境表征
本文讨论了用于自动驾驶的非常详细的地图：

P. Bender、J. Ziegler 和 C. Stiller，“ Lanelets：自动驾驶的高效地图表示”，2014 年 IEEE 智能车辆研讨会论文集，密歇根州迪尔伯恩，2014 年，第 420-425 页。doi: 10.1109/IVS.2014.6856487 (Lanelet)

参考

https://www.coursera.org/learn/intro-self-driving-cars/lecture/CwcBD/lesson-4-environment-representation

自动驾驶 2-4 环境表示 Environment Representation相关推荐

自动驾驶之-MATLAB环境下利用单目摄像头和语义分割创建占位栅格（occupancy grid）
准备写一些关于自动驾驶方面的东西,以前研究过一些,也比较感兴趣. 本文简单讲解如何使用深度学习语义分割估计车辆可行驶区域(free space),并创建占位栅格(occupancy grid),然后使 ...
自动驾驶之-MATLAB环境下基于深度学习的目标检测（停车标志检测）
深度学习,一个大号的,现代的,黑箱的,信号/图像处理器,本文程序运行环境为MATLAB R2018A. 本文简要讲解如何使用深度学习(R-CNN网络)来训练一个停车标志检测器.R-CNN是一种目标检测 ...
MATLAB算法实战应用案例精讲-【自动驾驶】环境感知
目录前言几个高频面试题目 L4级自动驾驶中的环境感知传感器有哪些?他们的功能有何区别呢?
面向自动驾驶的边缘计算技术研究综述
本文由吕品,许嘉,李陶深,徐文彪联合创作摘要边缘计算在自动驾驶的环境感知和数据处理方面有着极其重要的应用.自动驾驶汽车可以通过从边缘节点获得环境信息来扩大自身的感知范围,也可以向边缘节点卸载计算任 ...
高精地图与自动驾驶（下）
高精地图与自动驾驶(下) 二.高精地图与自动驾驶谈到高精地图对自动驾驶的作用,可以对比自动驾驶和人类驾驶的流程的相通性. 人驾驶的时候以眼睛为主,耳朵辅助观察测量环境:自动驾驶车用多种传感器包括摄像 ...
未来几年自动驾驶预测（上）
未来几年自动驾驶预测(上) 自动驾驶汽车依靠5G.人工智能.视觉计算.雷达.监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆.近年来全球汽车行业达成共识,认 ...
观点PK | 自动驾驶传感器“一哥之争”，这事儿你怎么看？
自动驾驶现已成为人工智能技术应用落地的热门领域,但随着无人车迈出的步伐越大,面临的安全性方面的挑战也越大.而近期不断发生的自动驾驶车辆事故也将自动驾驶安全性的问题再次推向风口浪尖.自动驾驶车辆的安全性 ...
自动驾驶是人工智能在交通领域最彻底的应用
2019-09-05 11:51:21 说到人工智能在交通领域的应用,大家首先想到的并不是识别车牌,而是自动驾驶.在交通领域自动驾驶确实是将人工智能运用最彻底的一个方面. 自动驾驶涉及环境感知.智能决 ...
李德毅院士：自动驾驶与智能网联
来源:58车在电动化.智能化.网联化革命带动下,传统的汽车产业供应链正在重塑,中国电动汽车发展进入结构调整期.以"把握形势聚焦转型引领创新"为主题的2020中国电动汽车百人会 ...
一场“交通进化”将至： 5G带给车联网与自动驾驶哪些升级？
来源 :腾讯科技作者:李俨美国高通公司技术标准高级总监 5G时代已经来临,走向商用的步伐也在逐渐加快.腾讯科技联合优质科技CP以及行业专家推出"5G局中局"系列文章,为你解读5 ...

自动驾驶 2-4 环境表示 Environment Representation

第 4 课补充阅读：环境表征

参考

自动驾驶 2-4 环境表示 Environment Representation相关推荐

最新文章

热门文章